AI-300 : Opérationnaliser le Machine Learning et les solutions d’IA génératives

Expérimenter avec Azure Machine Learning

• Préparer les données pour utiliser AutoML pour la classification.
• Configurer et exécuter une expérience AutoML.
• Évaluer et comparer les modèles AutoML.
• Configurer MLflow pour le suivi des modèles dans les notebooks.
• Utiliser MLflow pour le suivi des modèles dans les notebooks.
• Évaluer un modèle entraîné à l’aide du tableau de bord IA responsable.

Effectuer le réglage des hyperparamètres avec Azure Machine Learning

• Définir un espace de recherche d’hyperparamètre.
• Configurer l’échantillonnage d’hyperparamètres.
• Sélectionner une stratégie d’arrêt anticipé.
• Exécuter un travail de balayage.

Exécuter des pipelines dans Azure Machine Learning

• Créer des composants.
• Générer un pipeline Azure Machine Learning.
• Exécuter un pipeline Azure Machine Learning.

Déclencher des travaux Azure Machine Learning avec GitHub Actions

• Créer un principal de service et lui attribuer les autorisations nécessaires pour exécuter un travail Azure Machine Learning
• Stocker les informations d’identification Azure de manière sécurisée en utilisant des secrets dans GitHub Secrets.
• Créer une action GitHub à l’aide d’un fichier YAML utilisant les informations d’identification Azure stockées pour exécuter un travail Azure Machine Learning

Déclencher GitHub Actions avec le développement basé sur les fonctionnalités

• Utiliser le développement basé sur les fonctionnalités.
• Protéger la branche primaire.
• Déclencher un workflow GitHub Actions en fusionnant une demande de tirage

Utiliser des environnements dans GitHub Actions

• Configurer les environnements dans GitHub.
• Utiliser des environnements dans GitHub Actions.
• Ajouter des étapes d’approbation pour définir les réviseurs nécessaires avant d’acheminer le modèle vers l’environnement suivant.

Déployer un modèle avec GitHub Actions

• Déployer un modèle sur un point de terminaison managé.
• Déclencher le déploiement de modèle avec GitHub Actions.
• Tester le modèle déployé.

Planifier et préparer une solution GenAIOps

• Identifier les cas d’usage pour les applications d’IA générative.
• Sélectionner un modèle pour votre application IA Générative.
• Décrire ce qu’est GenAIOps et comment il définit le cycle de vie de l’application.

Gérer les invites d’agents dans Microsoft Foundry avec GitHub

• Appliquer les principes de contrôle de version pour gérer les invites en tant que ressources de code.
• Découvrir comment les invites s’intègrent avec les agents de Microsoft Foundry et les stratégies de versionnage.
• Concevoir une structure de référentiel GitHub pour demander le contrôle de version et la collaboration.
• Développer un flux de travail pour tester et déployer des commandes en toute sécurité.

Évaluer et optimiser les agents IA par le biais d’expériences structurées

• Concevoir des expériences d’évaluation avec des métriques claires pour la qualité, le coût et les performances
• Appliquer des flux de travail Git pour organiser et comparer systématiquement les variantes d’agent
• Créer des rubriques d’évaluation qui garantissent un scoring cohérent entre les évaluateurs humains
• Comparer les résultats de l’expérience pour prendre des décisions d’optimisation basées sur des preuves

Automatiser les évaluations d’IA avec Microsoft Foundry et GitHub Actions

• Expliquer pourquoi les évaluations automatisées complètent les évaluations humaines dans l’assurance qualité de l’IA.
• Sélectionner les évaluateurs qui s’alignent sur les critères d’évaluation humains pour la validation.
• Créer des jeux de données d’évaluation avec une composition appropriée pour des tests complets.
• Implémenter des évaluations par lots à l’aide de scripts Python avec Microsoft Foundry.
• Intégrer des flux de travail d’évaluation automatisés dans GitHub Actions pour les tests continus.

Surveiller son application d’IA générative

• Comprendre pourquoi la surveillance est essentielle lors du déplacement d’applications Gen AI vers la préparation de la production.
• Identifier et interpréter les métriques de performances clés : latence, débit, utilisation des jetons et taux d’erreur.
• Utiliser Azure Monitor avec Microsoft Foundry pour observer et analyser le comportement de l’application.
• Appliquer des insights pour optimiser les performances, le coût et l’expérience utilisateur dans les solutions Gen AI.

Analyser et déboguer votre application d’IA générative avec le traçage

• Configurer l’infrastructure de suivi avec Microsoft Foundry et Application Insights.
• Implémenter des plages personnalisées pour les appels de modèle IA et les opérations de logique commerciale.
• Analyser les données de traçage pour identifier les goulots d’étranglement et les modèles d’échec de performances.

Publiée le 16/04/2026

Dans cette formation, nous mélangeons théorie et ateliers techniques pour vous rendre rapidement opérationnel. En outre, chaque participant reçoit un support de cours électronique officiel de Microsoft. Le Lab sera remis aux participants, il restera accessible jusqu’à 180 jours après son activation.

Un de nos consultants-formateurs accrédités en tant que Microsoft Certified Trainer conduit la formation. Forts d’une solide expérience sur le terrain, ils rendent l’apprentissage à la fois interactif et enrichissant.

Pour l’évaluation, le formateur pose des questions régulières et utilise diverses méthodes pour mesurer vos acquis en continu. Cette approche favorise une expérience d’apprentissage à la fois dynamique et captivante.

Après la formation, nous vous demandons de remplir un questionnaire de satisfaction. Vos retours nous aident à maintenir et à améliorer constamment la qualité de nos formations.

De plus, pour assurer un suivi rigoureux, chaque participant signe une feuille d’émargement par demi-journée de présence.

Enfin, nous offrons la flexibilité de dispenser cette formation aussi bien en présentiel qu’en distanciel et elle peut être personnalisée pour les besoins spécifiques de votre entreprise sur demande. Pour en savoir plus, contactez-nous

Pour participer à cette formation, vous devez avoir une expérience dans Python, une compréhension des concepts fondamentaux de Machine Learning et une connaissance de base des pratiques DevOps telles que le contrôle de code source, CI/CD et les outils en ligne de commande, qui préparent à implémenter des flux de travail MLOps et GenAIOps à l’aide de services natifs Azure.

Les supports de cours et les travaux pratiques sont en anglais. Un niveau d’anglais B1 est recommandé pour suivre cette formation. Retrouvez les niveaux de langue sur ce lien : Classification des niveaux de langue

Il est fortement recommandé de suivre ce cours sur un ordinateur et de disposer d’un double écran pour plus de confort.

Vous pouvez vous inscrire à l’une de nos formations jusqu’à cinq jours ouvrés avant son commencement, à condition qu’il reste des places disponibles et que nous ayons reçu votre devis signé.

De plus, si vous avez des besoins spécifiques liés à une situation de handicap, n’hésitez pas à en faire la demande ; nous adaptons volontiers nos moyens de prestation en fonction du type de handicap.

Notre centre de formation, Cellenza Training, vous accueille au 892 Rue Yves Kermen, 92100 Boulogne-Billancourt.

Pour nous rejoindre, plusieurs options de transports en commun s’offrent à vous :

• Prenez la ligne 9 du métro et descendez à Pont de Sèvres,
• Optez pour la ligne 10 du métro jusqu’à Boulogne Jean Jaurès,
• Ou bien, empruntez le tram T2 jusqu’à Brimborion.

Cette formation ouvre la porte à la certification Microsoft « Ingénieur associé en Opérations de l’apprentissage automatique (MLOps) », nous vous recommandons l’inscription à l’examen environ 1 mois après le passage de la formation. Les supports de cours et les Labs transmis lors de la formation vous aideront à réviser correctement votre certification.

L’inscription à une certification se fait sur le site de Microsft. Si vous souhaitez nous acheter un voucher de certification ou vous faire accompagner dans cette démarche, contactez-nous.